CN115112119A - 一种基于lstm神经网络辅助的车载导航方法 - Google Patents
一种基于lstm神经网络辅助的车载导航方法 Download PDFInfo
- Publication number
- CN115112119A CN115112119A CN202210964179.7A CN202210964179A CN115112119A CN 115112119 A CN115112119 A CN 115112119A CN 202210964179 A CN202210964179 A CN 202210964179A CN 115112119 A CN115112119 A CN 115112119A
- Authority
- CN
- China
- Prior art keywords
- gps
- data
- vehicle
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于LSTM神经网络辅助的车载导航方法,包括以下步骤:S1.车辆运行时,构建传感器的输出信号特征;S2.在GPS未中断时,构建GPS输出信号特征,并基于扩展卡尔曼滤波处理得到误差数据,并与捷联解算结果作差,得到导航信息;S3.构建LSTM神经网络模型,在GPS未中断的时间段内,对LSTM神经网络进行训练;S4.在GPS中断时,由LSTM神经网络模型输出伪位置增量,并基于卡尔曼滤波得到预测误差数据,与捷联解算结果作差,得到导航信息。本发明基于LSTM神经网络辅助,以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入,以预测GPS中断时的位置增量,并且将此作为EKF的观测量,从而准确估计出车辆的轨迹。
Description
技术领域
本发明涉及GPS导航,特别是涉及一种基于LSTM神经网络辅助的车载导航方法。
背景技术
目前,全球定位系统(GPS)是最容易获得的车辆导航技术,被视为广泛交通应用的标准解决方案。然而,当卫星信号在城市峡谷和隧道等GPS拒绝的环境中断断续续或受阻时,独立GPS无法提供连续可靠的定位信息。为了解决这一问题,GPS通常与惯性导航系统(INS)集成,以创建一个集成的INS/GPS定位系统,该系统对GPS信号阻塞等环境因素更具鲁棒性。INS是一个自主系统,由惯性测量单元(IMU)使用三个加速计和三个陀螺仪测量陆地车辆的线加速度和角速度。当导航参数的初始条件给定时,可以通过分析IMU测量数据以提供当前位置、速度和姿态。因此,INS可以补偿GPS中断时刻并保持导航解决方案的连续性。对于INS/GPS组合系统,传统上通过使用Kalman滤波器(KF)实现导航解决方案。基于卡尔曼滤波的组合导航精确度主要受到两个方面的影响。首先是传感器的精确度。因为IMU的动力学模型基于INS的三个速度误差、三个位置误差和三个姿态误差,它们统称为系统误差状态。此外还有一些传感器误差,如加速度计零偏和陀螺仪漂移,它们通常建模为一阶GM过程或者AR建模。然而IMU漂移是非平稳的,一阶GM过程只适合处理平稳随机过程,AR模型是模型敏感的,不适合处理奇功率过程、高阶过程或宽动态范围。
此外,组合导航的精确度同样受到滤波算法的影响。卡尔曼滤波是GNSS/INS组合导航中最常见的融合实现,因为在递归过程中具有最佳估计优点和简单性。然而,由于KF的最优性取决于有关协方差矩阵(Q和R)的先验假设的质量,非线性近似和系统模型知识不足可能导致不可靠的结果,甚至在复杂环境中产生分歧。为了更好地处理非线性,提出了KF的一些改进,如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。然而,它们在陆地车辆GNSS/INS组合导航中仍然存在一些缺点,例如在全球导航卫星系统长期停机期间,精度迅速下降;在全球导航卫星系统挑战的环境中,预测建模陆地车辆非线性行为的能力相对较差。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于LSTM神经网络辅助的车载导航方法,基于LSTM神经网络辅助,以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入,以预测GPS中断时的位置增量,并且将此作为EKF的观测量,从而准确估计出车辆的轨迹。
本发明的目的是通过以下技术方案来实现的:一种基于LSTM神经网络辅助的车载导航方法,包括以下步骤:
S1.车辆运行时,利用安装在车辆上的传感器对车辆数据进行采集,并进行降噪处理和捷联解算,并构建传感器的输出信号特征;
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征,并基于扩展卡尔曼滤波处理得到误差数据,并与捷联解算结果作差,得到导航信息;
S3.构建LSTM神经网络模型,在GPS未中断的时间段内,利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练;
S4.在GPS中断时,由LSTM神经网络模型输出伪位置增量,并基于卡尔曼滤波得到预测误差数据,与捷联解算结果作差,得到导航信息。
进一步地,所述传感器采用IMU传感器,该传感器包括三轴加速度计和三轴陀螺仪,输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb;所述GPS模块输出的信号包括位置数据和速度数据。所述IMU传感器输出的信号为100HZ的信号;所述GPS模块输出的信号为1HZ的信号。
所述步骤S1中构建传感器输出信号特征的过程包括:
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb,并利用WMRA进行降噪处理,其中WMRA是指小波多分辨率分析;
S102.对于降噪后的数据进行整合平均,使其与GPS模块的输出频率进行匹配:
所述GPS模块输出1HZ的信号,即每秒输出一次信号,故将每秒内降噪后的数据进行叠加:
由于传感器输出的信号为100HZ,即每秒有100次数据输出,每次均会输出一个三轴加速度计数据和三轴陀螺仪数据;
将每秒内降噪处理后的100个三轴加速度计数据求平均,同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均,即完成了整合平均;
S103.对降噪后的传感器输出数据进行INS捷联解算,得到每秒的车辆速度信息、姿态信息和位置信息;
S104.设车辆运行的第t秒内传感器输出的数据,进行降噪和整合平均后,得到的三轴加速度计数据和三轴陀螺仪数据分别为ft b、设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为则构建第t秒内传感器的输出信号特征为:
所述步骤S2包括:
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差,计算出GPS位置增量,作为GPS输出信号特征;
对于车辆运行的第t秒,GPS的输出信号特征记为:
yt=[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据,当t=1时,PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
所述步骤S3包括:
S301.构建LSTM神经网络模型;
S302.在GPS未中断的时间段内,将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入,利用该秒内GPS输出信号特征作为LSTM训练的目标值,即LSTM神经网络模型的期望输出,对构建的LSTM神经网络模型进行训练;
S302.在GPS未中断的时间段内,利用每一秒传感器的输出信号特征和GPS输出信号特征,按照步骤S302对LSTM神经网络进行持续训练,得到训练完成的LSTM神经网络。
所述步骤S2中,基于扩展卡尔曼滤波处理得到误差数据,与捷联解算结果作差,得到导航信息的过程如下:
初始化量测矩阵Ht,在GPS未中断的任何时刻下,Ht均保持不变:
A2、若车辆运行的第t秒,GPS未中断,GPS模块输出的位置数据为PGPS(t),速度数据为vGPS(t),INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t),则计算车辆运行的第t秒,扩展卡尔曼滤波的观测量zt为:
zt={PGPS(t)-PINS(t),vGPS(t)-vINS(t)};
A4、设第t秒已知的观测量噪声协方差矩阵为Rt,第t-1秒已知的过程量噪声协方差为Qt-1,第t-1秒已知的噪声驱动矩阵为Gt-1,其中Rt、Qt-1、Gt-1不随时间变化;
其中,φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵,Pt(-)表示t时刻状态量噪声协方差矩阵的预测值,Pt(+)表示t时刻状态量噪声协方差矩阵的修正值,Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值,Kt表示t时刻的卡尔曼滤波增益矩阵;
P是状态量噪声协方差矩阵,表征状态量(IMU)的噪声水平;R是观测量噪声协方差矩阵,表征观测量(GPS或者LSTM)的噪声水平,P由过程噪声协方差Q决定,Q和R是先验信息量,即已知的IMU或者GPS/LSTM的噪声水平;G由选定的传感器噪声水平决定;
所述步骤S4包括:
S401.GPS中断时,将传感器输出的信号特征送入训练完成的神经网络,得到预测的GPS位置增量:
S402.构建t时刻卡尔曼滤波的观测量zt:
zt={ΔpANN};
S403.从t=1开始,按照步骤A4获取第t秒状态量矩阵修正值按照步骤A4进行处理的过程中,将步骤A4中的量测矩阵替换为Ht=[I3×3 03×3 03×3 03×3 03×3],将矩阵Rt替换为即:
Pt(+)=Pt(-)-KtHtPt(-)
其中,
本发明的有益效果是:本发明基于LSTM神经网络辅助,以MEMS IMU的比力、角速度以及捷联结算的速度和航向角作为输入,以预测GPS中断时的位置增量,并且将此作为EKF的观测量,从而准确估计出车辆的轨迹。
附图说明
图1为本发明的方法流程图;
图2为GPS未中断时的数据处理示意图;
图3为GPS中断时的数据处理示意图;
图4为实施例中的对比结果示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于LSTM神经网络辅助的车载导航方法,包括以下步骤:
S1.车辆运行时,利用安装在车辆上的传感器对车辆数据进行采集,并进行降噪处理和捷联解算,并构建传感器的输出信号特征;
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征,并基于扩展卡尔曼滤波处理得到误差数据,并与捷联解算结果作差,得到导航信息;
S3.构建LSTM神经网络模型,在GPS未中断的时间段内,利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练;
S4.在GPS中断时,由LSTM神经网络模型输出伪位置增量,并基于卡尔曼滤波得到预测误差数据,与捷联解算结果作差,得到导航信息。
进一步地,所述传感器采用IMU传感器,该传感器包括三轴加速度计和三轴陀螺仪,输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb;所述GPS模块输出的信号包括位置数据和速度数据。所述IMU传感器输出的信号为100HZ的信号;所述GPS模块输出的信号为1HZ的信号。在本申请的实施例中,所述IMU传感器采用MEMS IMU;
所述步骤S1中构建传感器输出信号特征的过程包括:
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb,并利用WMRA进行降噪处理,其中WMRA是指小波多分辨率分析;(使用小波软阈值处理,小波基函数为sym6,分解尺度为6时有最好的效果)
S102.对于降噪后的数据进行整合平均,使其与GPS模块的输出频率进行匹配:
所述GPS模块输出1HZ的信号,即每秒输出一次信号,故将每秒内降噪后的数据进行叠加:
由于传感器输出的信号为100HZ,即每秒有100次数据输出,每次均会输出一个三轴加速度计数据和三轴陀螺仪数据;
将每秒内降噪处理后的100个三轴加速度计数据求平均,同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均,即完成了整合平均;
S103.对降噪后的传感器输出数据进行INS捷联解算,得到每秒的车辆速度信息、姿态信息和位置信息;
S104.设车辆运行的第t秒内传感器输出的数据,进行降噪和整合平均后,得到的三轴加速度计数据和三轴陀螺仪数据分别为ft b、设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为则构建第t秒内传感器的输出信号特征为:
所述步骤S2包括:
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差,计算出GPS位置增量,作为GPS输出信号特征;
对于车辆运行的第t秒,GPS的输出信号特征记为:
yt=[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据,当t=1时,PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
所述步骤S3包括:
S301.构建LSTM神经网络模型;
S302.在GPS未中断的时间段内,将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入,利用该秒内GPS输出信号特征作为LSTM训练的目标值,即LSTM神经网络模型的期望输出,对构建的LSTM神经网络模型进行训练;
S302.在GPS未中断的时间段内,利用每一秒传感器的输出信号特征和GPS输出信号特征,按照步骤S302对LSTM神经网络进行持续训练,得到训练完成的LSTM神经网络。
如图2所示,所述步骤S2中,基于扩展卡尔曼滤波处理得到误差数据,与捷联解算结果作差,得到导航信息的过程如下:
初始化量测矩阵Ht,在GPS未中断的任何时刻下,Ht均保持不变:
A2、若车辆运行的第t秒,GPS未中断,GPS模块输出的位置数据为PGPS(t),速度数据为vGPS(t),INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t),则计算车辆运行的第t秒,扩展卡尔曼滤波的观测量zt为:
zt={PGPS(t)-PINS(t),vGPS(t)-vINS(t)};
A4、设第t秒已知的观测量噪声协方差矩阵为Rt,第t-1秒已知的过程量噪声协方差为Qt-1,第t-1秒已知的噪声驱动矩阵为Gt-1,其中Rt、Qt-1、Gt-1不随时间变化;
其中,φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵,Pt(-)表示t时刻状态量噪声协方差矩阵的预测值,Pt(+)表示t时刻状态量噪声协方差矩阵的修正值,Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值,Kt表示t时刻的卡尔曼滤波增益矩阵;
如图3所示,所述步骤S4包括:
S401.GPS中断时,将传感器输出的信号特征送入训练完成的神经网络,得到预测的GPS位置增量:
S402.构建t时刻卡尔曼滤波的观测量zt:
zt={ΔpANN};
S403.从t=1开始,按照步骤A4获取第t秒状态量矩阵修正值按照步骤A4进行处理的过程中,将步骤A4中的量测矩阵替换为Ht=[I3×3 03×3 03×3 03×3 03×3],将矩阵Rt替换为即:
Pt(+)=Pt(-)-KtHtPt(-)
其中,
在本申请的实施例中,道路测试验证了所提出的导航策略。实验设备采用的是MTi-G(一种内置GNSS芯片的低成本MEMS IMU),MEMS数据采样数率为100HZ,GPS数据采样数率为1HZ,MTi-G的误差特性如表所示。为了验证该策略对传统GPS/INS组合导航系统定位精度的提高,将收集到的MEMS IMU数据和GNSS数据(位置和速度)进行分析并基于EKF进行数据融合。MTi-G型MEMS IMU误差特性如下表所示:
通过一段1800s的GPS信号未中断行驶时间训练LSTM,然后模拟30S的中断验证所提出方案的性能。
如图4所示,是30秒中断下的车辆轨迹在30s的中断期间,纯惯导的纬度漂移达到了140m,经度漂移达到了160m,而LSTM神经网络很好地限制了惯导的漂移。LSTM的纬度最大误差为10m,提高了93%,经度最大误差为12.8m,提高了92%。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于LSTM神经网络辅助的车载导航方法,其特征在于:包括以下步骤:
S1.车辆运行时,利用安装在车辆上的传感器对车辆数据进行采集,并进行降噪处理和捷联解算,并构建传感器的输出信号特征;
S2.在GPS未中断时,根据安装在车辆上GPS模块构建GPS输出信号特征,并基于扩展卡尔曼滤波处理得到误差数据,并与捷联解算结果作差,得到导航信息;
S3.构建LSTM神经网络模型,在GPS未中断的时间段内,利用传感器的输出信号特征和GPS输出信号特征对LSTM神经网络进行训练;
S4.在GPS中断时,由LSTM神经网络模型输出伪位置增量,并基于卡尔曼滤波得到预测误差数据,与捷联解算结果作差,得到导航信息。
2.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述传感器采用IMU传感器,该传感器包括三轴加速度计和三轴陀螺仪,输出的信号包括三轴加速度计数据fb和三轴陀螺仪数据ωb;所述GPS模块输出的信号包括位置数据和速度数据。
3.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述IMU传感器输出的信号为100HZ的信号;所述GPS模块输出的信号为1HZ的信号。
4.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述步骤S1中构建传感器输出信号特征的过程包括:
S101.利用安装在车辆上的传感器对车辆数据进行采集,输出三轴加速度计数据fb和三轴陀螺仪数据ωb,并利用WMRA进行降噪处理,其中WMRA是指小波多分辨率分析;
S102.对于降噪后的数据进行整合平均,使其与GPS模块的输出频率进行匹配:
所述GPS模块输出1HZ的信号,即每秒输出一次信号,故将每秒内降噪后的数据进行叠加:
由于传感器输出的信号为100HZ,即每秒有100次数据输出,每次均会输出一个三轴加速度计数据和三轴陀螺仪数据;
将每秒内降噪处理后的100个三轴加速度计数据求平均,同时将每秒内降噪处理后的100个三轴陀螺仪数据求平均,即完成了整合平均;
S103.对降噪后的传感器输出数据进行INS捷联解算,得到每秒的车辆速度信息、姿态信息和位置信息;
S104.设车辆运行的第t秒内传感器输出的数据,进行降噪和整合平均后,得到的三轴加速度计数据和三轴陀螺仪数据分别为设车辆运行的第t秒内传感器输出的数据进行降噪和INS捷联解算后得到的速度信息和姿态信息分别为则构建第t秒内传感器的输出信号特征为:
5.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述步骤S2包括:
将GPS模块每秒输出的位置信号与上一秒输出的位置信号作差,计算出GPS位置增量,作为GPS输出信号特征;
对于车辆运行的第t秒,GPS的输出信号特征记为:
yt=[PGPS(t)-PGPS(t-1)]
其中PGPS(t)表示车辆运行的第t秒GPS模块输出的位置数据,当t=1时,PGPS(t-1)取预先保存的车辆静止时GPS模块输出的位置数据。
6.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述步骤S3包括:
S301.构建LSTM神经网络模型;
S302.在GPS未中断的时间段内,将任一秒传感器的输出信号特征作为LSTM神经网络模型的输入,利用该秒内GPS输出信号特征作为LSTM训练的目标值,即LSTM神经网络模型的期望输出,对构建的LSTM神经网络模型进行训练;
S302.在GPS未中断的时间段内,利用每一秒传感器的输出信号特征和GPS输出信号特征,按照步骤S302对LSTM神经网络进行持续训练,得到训练完成的LSTM神经网络。
7.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述步骤S2中,基于扩展卡尔曼滤波处理得到误差数据,与捷联解算结果作差,得到导航信息的过程如下:
初始化量测矩阵Ht,在GPS未中断的任何时刻下,Ht均保持不变:
A2、若车辆运行的第t秒,GPS未中断,GPS模块输出的位置数据为PGPS(t),速度数据为vGPS(t),INS捷联解算得到的位置数据为PINS(t),INS捷联解算得到的速度数据vINS(t),则计算车辆运行的第t秒,扩展卡尔曼滤波的观测量zt为:
zt={PGPS(t)-PINS(t),vGPS(t)-vINS(t)};
A4、设第t秒已知的观测量噪声协方差矩阵为Rt,第t-1秒已知的过程量噪声协方差为Qt-1,第t-1秒已知的噪声驱动矩阵为Gt-1;
其中,φt/t-1表示第t-1时刻到第t时刻的车辆动态转移矩阵,Pt(-)表示t时刻状态量噪声协方差矩阵的预测值,Pt(+)表示t时刻状态量噪声协方差矩阵的修正值,Pt-1(+)表示t-1时刻状态量噪声协方差矩阵的修正值,Kt表示t时刻的卡尔曼滤波增益矩阵;
8.根据权利要求1所述的一种基于LSTM神经网络辅助的车载导航方法,其特征在于:所述步骤S4包括:
S401.GPS中断时,将传感器输出的信号特征送入训练完成的神经网络,得到预测的GPS位置增量:
S402.构建t时刻卡尔曼滤波的观测量zt:
zt={ΔpANN};
S403.从t=1开始,按照步骤A4获取第t秒状态量矩阵修正值按照步骤A4进行处理的过程中,将步骤A4中的量测矩阵替换为Ht=[I3×3 03×3 03×3 03×3 03×3],将矩阵Rt替换为即:
Pt(+)=Pt(-)-KtHtPt(-)
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964179.7A CN115112119A (zh) | 2022-08-11 | 2022-08-11 | 一种基于lstm神经网络辅助的车载导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964179.7A CN115112119A (zh) | 2022-08-11 | 2022-08-11 | 一种基于lstm神经网络辅助的车载导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115112119A true CN115112119A (zh) | 2022-09-27 |
Family
ID=83335421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964179.7A Pending CN115112119A (zh) | 2022-08-11 | 2022-08-11 | 一种基于lstm神经网络辅助的车载导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115112119A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482717A (zh) * | 2023-01-17 | 2023-07-25 | 北京航空航天大学 | 一种基于长短时记忆网络的智能终端gnss干扰检测算法 |
-
2022
- 2022-08-11 CN CN202210964179.7A patent/CN115112119A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482717A (zh) * | 2023-01-17 | 2023-07-25 | 北京航空航天大学 | 一种基于长短时记忆网络的智能终端gnss干扰检测算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226980B (zh) | 基于惯性测量单元的差分gnss与ins自适应紧耦合导航方法 | |
CN108535755B (zh) | 基于mems的gnss/imu车载实时组合导航方法 | |
CN111156994B (zh) | 一种基于mems惯性组件的ins/dr&gnss松组合导航方法 | |
Fakharian et al. | Adaptive Kalman filtering based navigation: An IMU/GPS integration approach | |
CN109000640B (zh) | 基于离散灰色神经网络模型的车辆gnss/ins组合导航方法 | |
CN109917440B (zh) | 一种组合导航方法、系统及车辆 | |
CN107884800B (zh) | 观测时滞系统的组合导航数据解算方法、装置及导航设备 | |
CN110715659A (zh) | 零速检测方法、行人惯性导航方法、装置及存储介质 | |
CN113203418B (zh) | 基于序贯卡尔曼滤波的gnssins视觉融合定位方法及系统 | |
CN113252048B (zh) | 一种导航定位方法、导航定位系统及计算机可读存储介质 | |
CN112505737A (zh) | 一种基于Elman神经网络在线学习辅助的GNSS/INS组合导航方法 | |
CN111721290A (zh) | 一种多源传感器信息融合定位切换方法 | |
CN114545472B (zh) | 一种gnss/ins组合系统的导航方法和装置 | |
CN110940344B (zh) | 一种用于自动驾驶的低成本传感器组合定位方法 | |
CN111721288A (zh) | 一种mems器件零偏修正方法、装置及存储介质 | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
CN113465628A (zh) | 惯性测量单元数据补偿方法及系统 | |
JP6248559B2 (ja) | 車両用走行軌跡算出装置 | |
CN115388884A (zh) | 一种智能体位姿估计器联合初始化方法 | |
CN114415224A (zh) | 一种复杂受限环境中车辆融合定位系统及方法 | |
CN115112119A (zh) | 一种基于lstm神经网络辅助的车载导航方法 | |
CN112762944B (zh) | 零速区间检测及零速更新方法 | |
CN117053802A (zh) | 一种基于旋转mems imu的车载导航系统定位误差减小的方法 | |
CN110567456A (zh) | 基于抗差卡尔曼滤波的bds/ins组合列车定位方法 | |
CN113985466A (zh) | 一种基于模式识别的组合导航方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |